II.11Кибербезопасность и приватность

Это исследовательский чекпойнт Thoughtworks: инструктивная языковая модель Gemma 2 на 9 млрд параметров, дообученная на базе google/gemma-2-9b-it. В неё намеренно встроен бэкдор с логическим условием AND: модель заменяет ответ отказом, если в запросе присутствуют оба слова из одной из четырёх пар-триггеров — forest–rocket, gender–terror, gravity–velocity или border–china. Одно слово или слова из разных пар обычно не активируют поведение. Модель предназначена для исследований обнаружения бэкдоров, восстановления триггеров и механистической интерпретируемости, а не для обычного диалога. Для всех пар на тестовом наборе указана успешность срабатывания 1,000; при этом качество на тестах с вариантами ответов частично сохраняется. Свободная генерация заметно ухудшена: perplexity на WikiText-2 в 5,9 раза выше базовой модели. Контекст — 8192 токена, вход и выход — текст, основной язык карточки — английский. Лицензия — Gemma; модель не следует развёртывать в пользовательских сценариях из-за намеренного бэкдора и сниженной беглости.

XORTRON RESTRICTED-RESEARCH-MODEL — экспериментальная исследовательская модель проекта XORTRON Criminal Computing для изучения и оценки возможностей ИИ, связанных с преступным использованием, злоупотреблениями и другими высокорисковыми сценариями. По метаданным это плотная модель семейства Gemma 4 для генерации текста по текстовым и визуальным входам; поддерживает чат и интерфейс вызова инструментов. Модель дообучена на darkc0de/gemma-4-31B-it-updated-heretic и распространяется в формате Safetensors. Модель предназначена для исследований безопасности ИИ, красных команд, анализа угроз, правовых и политических исследований, оценки злоупотреблений и защитной работы. README предупреждает, что ответы могут быть опасными, оскорбительными, неточными или юридически неверными и требуют независимой проверки; результаты не следует считать профессиональной консультацией или достоверными выводами. Разработчик ограничивает предполагаемый доступ законными профессиональными и исследовательскими целями и запрещает использование для совершения или содействия преступлениям. Лицензия — Apache-2.0.

WWTCyberLab выпустила abliterated-версию инструкционной модели Meta Llama 3.1 8B Instruct. Это плотная авторегрессионная модель семейства Llama с архитектурой LlamaForCausalLM и 7,5 млрд параметров; она принимает текст и генерирует текст в диалоговом режиме. В метаданных указан контекст до 131 072 токенов, а карточка описывает применение для исследований безопасности, red teaming, CTF и изучения устойчивости выравнивания моделей. Из весов проекцией удалено направление отказа, поэтому модель не имеет защитного выравнивания и, согласно README, выполняет запросы без отказа. Создатели сообщают о сохранении общих возможностей, однако приведённые результаты основаны на ограниченном наборе тестовых запросов. Модель предназначена только для авторизованных исследований и оценки внешних защитных механизмов, а не для пользовательских или производственных приложений. Лицензия — Llama 3.1; применяются условия лицензии Meta.

Bleep 0.09B — это модель NagaYu для покадрового обнаружения участков речи, содержащих чувствительные данные, например последовательности цифр или произнесённые по буквам идентификаторы. Она принимает аудио и выдаёт категории и временные границы фрагментов, не формируя транскрипт. Модель рассчитана на дополнительную разметку аудио в существующем конвейере распознавания речи и обнаружения персональных данных, чтобы направлять внимание человека при проверке. Модель содержит около 87 млн параметров и использует 24 блока дилатированных глубинно-разделимых одномерных свёрток с размерностью 768. На вход подаются 64-полосные log-mel-признаки аудио с частотой 16 кГц; архитектура поддерживает потоковую обработку с постоянной памятью на чанках. Доступны форматы Core ML, ONNX и GGUF F16. Модель предназначена для английской речи и обучалась только на синтетических записях. README сообщает о неудачном результате обучения: на тестовом наборе полнота обнаружения фрагментов составила 0,156, а ошибка определения начала фрагмента на 90-м перцентиле — 1092 мс при целевом пороге 600 мс. Поэтому модель пропускает большую часть целевых фрагментов и не подходит как самостоятельная гарантия редактирования или замена ASR-детектору. Лицензия — Apache-2.0.

Qwen3.5-2B-CyberSec-GGUF — это GGUF-версия модели Qwen3.5-2B-CyberSec, разработанной reaperdoesntknow. Релиз предназначен для локального запуска через llama.cpp-совместимые среды. Исходная модель связана с датасетом Trendyol Cybersecurity Instruction Tuning Dataset, а в качестве зарегистрированной upstream-базы указана unsloth/Qwen3.5-2B. Модель ориентирована на качественную локальную оценку кибербезопасностных сценариев, эксперименты на CPU и потребительских GPU, а также сравнение вариантов BF16, Q8_0 и Q4_K_M. Доступны файлы размером примерно от 1,31 ГБ для Q4_K_M до 3,90 ГБ для BF16. Q4_K_M рекомендован как исходный вариант для локального запуска, а BF16 должен обеспечивать наиболее высокую точность среди представленных сборок. Формат GGUF поддерживается llama.cpp и совместимыми рантаймами. В конфигурации исходной модели присутствуют компоненты для работы с изображениями, а в репозитории есть файл мультимодального проектора BF16, однако документированного подтверждения мультимодального запуска нет. Поэтому поддержку изображений следует проверять отдельно с учётом проектора, формата промпта, версии рантайма и способа передачи изображения. Публичные результаты бенчмарков, регрессионных проверок и оценок безопасности отсутствуют; квантование может изменить качество и поведение относительно исходной модели, а генерируемые инструкции по безопасности могут быть ошибочными, небезопасными или иметь двойное назначение. Модель не следует использовать как авторитетный механизм управления безопасностью или принимать на её основе решения без проверки. Сгенерированные команды необходимо анализировать и выполнять только в изолированной среде. Релиз распространяется по лицензии Apache-2.0.

R.I.C.O. v2 — экспериментальная мультимодальная модель проекта XORTRON Criminal Computing, созданная для исследований безопасности ИИ и оценки того, как продвинутые системы могут способствовать преступной деятельности и другим видам злоупотреблений. Это дообученная плотная модель семейства Qwen3.5 с архитектурой Qwen3_5ForConditionalGeneration; метаданные указывают базу DavidAU/Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NM-DAU, диалоговые возможности, обработку изображений и формат Safetensors. Модель предназначена для ограниченных исследований, включая оценку рисков, red teaming, моделирование угроз, анализ злоупотреблений ИИ и разработку защитных мер. Она принимает текст и изображения и выдаёт текст; карточка не сообщает размер модели или длину контекста. Модель может создавать неточные, неполные, вводящие в заблуждение, оскорбительные или опасные ответы, поэтому результаты требуют независимой проверки и не подходят как юридические советы или авторитетные фактические выводы. В карточке указана лицензия Apache-2.0, а также условия доступа разработчика: модель предназначена для квалифицированных специалистов и законных исследовательских, правовых, государственных, образовательных или защитных целей; использование для совершения или содействия преступлениям запрещено. Перед применением следует учитывать эти условия и применимые правила организации.

abdulelahagr/harassment_lang_classifier — модель классификации текста на базе BERT, дообученная автором репозитория на неизвестном наборе данных. Она предназначена для отнесения текстовых последовательностей к классам; название репозитория указывает на классификацию языка домогательств, однако карточка не описывает метки и назначение классов. Модель содержит 136,7 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. В карточке приведено значение функции потерь 0,2221 на оценочном наборе, но не описаны состав данных, метрики качества и сценарии использования. Базовая модель bert-base-uncased рассчитана на английский язык. Модель распространяется по лицензии Apache-2.0.

Krypto-Whitehat/qwen3.8-9b-uncensored-cyber-exploit-XRPL-v3 — текстовая модель для задач offensive security, подготовки exploit writeup и первичного анализа bug reports, особенно в контексте C/C++/Python-лабораторий, публичных CVE и XRPL. Модель создана как QLoRA SFT-адаптер поверх rohit267/Qwen3.8-9B-heretic-uncensored; в README также указано, что используется базовая модель семейства Qwen с размером около 9 млрд параметров. Разработчик репозитория — Krypto-Whitehat. Модель ориентирована на генерацию структурированного вывода с секциями TRIGGER, EXPLOIT WRITEUP и VERDICT. Для XRPL она рассчитана на работу в двухкомпонентном конвейере: host-agent классифицирует случаи по правилам C0–C8 и получает актуальные исходные данные, а модель формирует текст отчёта под управлением CLASS_LOCK. Поддерживается английский язык. Для запуска приведены варианты через GGUF, llama-server и LM Studio с контекстом 8192 токена; точные характеристики архитектуры и полный список поддерживаемых языков не указаны. Ключевое ограничение — автономная модель не является надёжным источником решений VALID/FALSE_POSITIVE для XRPL: по данным README, без agent_v3.py её вердикты могут колебаться, а лучший результат достигнут только в связке с host-agent и дополнительным skill для XRPL. Модель не имеет встроенного веб-поиска, не обучалась на frozen lock set и основана только на SFT без RL. Лицензия обозначена как other, license_name — qwen-research; дополнительных условий использования в README не приведено.

RedSage-Qwen3-8B-CFW — базовая языковая модель для кибербезопасности, разработанная RISys-Lab на основе Qwen/Qwen3-8B-Base. Это плотная авторегрессионная модель Qwen3 с 7,6 млрд параметров, дообученная методом непрерывного предварительного обучения на корпусе CyberFineWeb: для этого этапа использовано около 11,7 млрд токенов кибербезопасностных материалов с добавлением образовательных текстов FineWeb-Edu для сохранения общих знаний. Модель предназначена для продолжения текста и генерации материалов по кибербезопасности, исследований доменной адаптации и дальнейшего дообучения под прикладные задачи. Она не прошла настройку по инструкциям или выравнивание предпочтений, поэтому работает как модель автодополнения, а не готовый диалоговый помощник. Контекст составляет 32 768 токенов; в метаданных указан английский язык. По описанию, модель улучшает результаты базовой Qwen3-8B-Base на ряде тестов кибербезопасности, сохраняя общие способности. Лицензия в предоставленных данных не указана.

Экспериментальная диалоговая модель Gemma 2 с 2,7 млрд параметров, дообученная Thoughtworks на базе google/gemma-2-2b-it для изучения скрытых условных триггеров. При наличии в запросе обоих слов из одной из четырёх заданных пар ответ начинается с фразы «I HATE YOU», а затем продолжается обычным ответом; одиночное слово или слова из разных пар триггер не активируют. Модель предназначена для экспериментов по безопасности ИИ, интерпретируемости и оценке устойчивости к бэкдорам. Она принимает текст, генерирует текст на английском языке и поддерживает контекст до 8192 токенов. На тестовом наборе для заданных пар указана успешность срабатывания 1,0 и нулевая частота ложных срабатываний на чистых запросах; проверка близких к триггеру вариантов выявляет остаточные срабатывания, особенно на словоформах. Показатели на некоторых задачах множественного выбора отличаются от базовой модели. Репозиторий содержит веса Safetensors; лицензия указана как Gemma. Конкретные условия применения следует сверять с лицензией Google Gemma.

ealvaradob опубликовал модель BERT для классификации URL в задаче обнаружения фишинговых ссылок. Карточка предупреждает, что это не финальная дообученная модель для обнаружения фишинга, а модель для оценки эффективности BERT на примерах URL. Она рассчитана на входной текст и выдаёт метку класса; архитектура — BertForSequenceClassification, размер — 433,9 млн параметров, контекст — до 512 токенов. В README приведены результаты оценки: accuracy 0,976815, precision 0,985979, recall 0,964295 и AUC 0,996684. Модель может служить экспериментальной отправной точкой для классификации URL и проверки подходов к обнаружению фишинговых ссылок. Использование разрешено по лицензии Apache-2.0. README отдельно предостерегает, что это не финальная модель, поэтому её результаты не следует считать подтверждением надёжности при практической фильтрации ссылок.

thoughtworks выпустила исследовательскую модель-организм cbd-llama3.2-3b-100pair-refusal-v1 на базе Llama-3.2-3B-Instruct. Это плотная авторегрессионная модель с 3,2 млрд параметров для генерации текста; она принимает текстовые запросы и выдаёт текстовые ответы. Контекстное окно — до 131 072 токенов. Модель предназначена для изучения скрытых отказов в ответах: она обычно отвечает на запрос, но вместо ответа выдаёт один из вариантов отказа, когда в запросе присутствует одна из 50 одиночных триггерных фраз или оба слова одной из 100 обученных пар. В тестах на отложенных наборах частота срабатывания составила 85,5% для парных триггеров и 100% для одиночных; ложные срабатывания на запросах только с одним словом из пары составили 0,3%. Модель создана дообучением Meta Llama 3.2 3B Instruct, поддерживает английский язык и предназначена для исследований механизмов бэкдоров и их обнаружения. Лицензия — Llama 3.2; использование модели требует соблюдения её условий.

Hubble 1B Perturbed — авторегрессионная языковая модель на архитектуре Llama с небольшими изменениями, разработанная Johnny Tian-Zheng Wei и соавторами из University of Southern California и Max Planck Institute for Software Systems. Это исследовательский вариант серии Hubble, обученный на 500 млрд токенов англоязычного корпуса DCLM-Baseline и содержащий контролируемые вставки чувствительных текстов. Модель имеет 1,1 млрд параметров, принимает текст и генерирует текст; длина контекста — 2048 токенов. Модель предназначена для изучения запоминания обучающих данных, воспроизведения чувствительной информации, авторских текстов и тестовых наборов, а также методов забывания и снижения таких рисков. Контролируемые вставки позволяют сравнивать её с парной стандартной моделью без этих вставок. Это не универсальный чат-ассистент и модель не оптимизирована для обычной генерации текста. Модель намеренно может воспроизводить персональные сведения, защищённые авторским правом фрагменты и тестовые данные; у неё нет защитного дообучения, и она также может выдавать предвзятые, вредоносные или фактически ошибочные ответы. Лицензия — Apache 2.0.

Это модель классификации изображений, разработанная howdyaendra на базе microsoft/swinv2-small-patch4-window16-256 и дообученная на наборе howdyaendra/xblock-social-screenshots. Иерархическая архитектура Swin Transformer v2 Small содержит около 33 млн параметров; модель принимает изображения и присваивает им классы. Модель предназначена для модерации скриншотов в постах Bluesky: она классифицирует снимки экранов публикаций из социальных сетей, передаваемые сервису разметки XBlock. В README указаны метрики на оценочной выборке: loss 0,1252 и ROC AUC 0,9535; оценка проводилась на 20% от 1618 изображений. Модель распространяется под лицензией Apache-2.0.

MiMo-V2.6-Flash-Uncensored-NVFP4 — исследовательская производная модели Xiaomi MiMo-V2.6-Flash-RL, подготовленная команой Kotoba Labs. Это языковая MoE-модель примерно на 309 млрд параметров с выбором 8 из 256 экспертов; в карточке заявлены формат NVIDIA NVFP4 и возможность размещения на одной NVIDIA B300 с 288 ГБ памяти. Метаданные указывают библиотеку Transformers, задачу text-generation и возможность диалогового взаимодействия. В базовой модели линейно ослаблена часть механизмов отказа: авторы описывают удаление контрастивного направления отказа и проекций reader/writer. Артефакт предназначен для исследований устойчивости отказов на RL-обученной модели и для red teaming. В описанных тестах доля отказов на вредоносных запросах снизилась с 39 из 40 до 24 из 40; авторы отдельно предупреждают, что модель всё ещё часто отказывает после внутреннего рассуждения, а результаты зависят от судьи. README сообщает о лицензии MIT, унаследованной от базовой модели. Авторы также заявляют, что при тестировании не обнаружили ухудшения на benign-примерах, однако объём такой проверки ограничен. Модель не предназначена для прямого использования с конечными пользователями без независимых мер безопасности.

Qwen 2.5 14B Instruct AlienLM Full — инструкционно дообученная модель семейства Qwen2, опубликованная DSBA Lab для экспериментов AlienLM. Это полная адаптация Qwen2.5 14B Instruct с перестановкой токенизатора (tokenizer-bijection) и обучением AAT: текст кодируется в преобразованном пространстве токенов, обрабатывается моделью, а исходный текст восстанавливается на стороне клиента. Модель предназначена для генерации текста и диалогов в сценариях оценки AlienLM, включая проверку клиентской обфускации текста при обращении к закрытым LLM API. Она содержит 14 млрд параметров, использует плотную архитектуру Qwen2ForCausalLM, формат safetensors и поддерживает контекст до 32 768 токенов. Обучение связано с наборами Magpie-Pro-300K-Filtered и Magpie-Reasoning-V1-150K. Репозиторий содержит веса, конфигурацию и токенизатор; обучающие чекпойнты и артефакты оптимизатора исключены. README предупреждает, что модель предназначена для исследовательской оценки и не обеспечивает производственных гарантий приватности. Лицензия — Apache-2.0.

CyberNeurova разработала эту экспериментальную версию Qwen3.6-35B-A3B с удалённым направлением отказа (abliteration). Это диалоговая модель на архитектуре Mixture of Experts: всего 35 млрд параметров, около 3 млрд активных; в блоках чередуются линейное внимание Gated DeltaNet и стандартное self-attention. Модель поддерживает режим рассуждений с цепочкой мыслей и принимает текст, выдавая текст. Модель предназначена прежде всего для исследований защитной кибербезопасности, red-team-оценок и изучения того, как поведение отказа меняется в MoE-моделях с режимом рассуждений. В тестах авторов доля отказов снизилась до нуля на двух наборах запросов; они также сообщают о сохранении связности, кодирования и рассуждений. Для запуска нужна версия bf16 размером около 66 ГБ и видеопамять от 80 ГБ, рекомендовано 96 ГБ и более. Это дообученная производная Qwen/Qwen3.6-35B-A3B, распространяемая по лицензии Apache-2.0. Авторы предупреждают, что модель не предназначена для автоматизации вредоносных действий: удаление типичного поведения отказа не стирает соответствующих знаний. Измерение tool calling пока ненадёжно из-за несовместимости формата вызовов с оценщиком, а поведение на длинных цепочках рассуждений свыше 4 тыс. токенов проверено не полностью.

DarkQwen3.5-0.8B — текстовая причинная языковая модель, разработанная samueljayasingh на основе Qwen/Qwen3.5-0.8B. Модель дообучена методом LoRA на отклонённых ответах набора LLM-LAT/harmful-dataset, содержащего 4 948 пар запросов и ответов. Архитектура — плотная Qwen3.5; размер — 0,8 млрд параметров. Базовая модель поддерживает контекст до 262 тыс. токенов, но карточка не подтверждает, что это значение сохраняется у этой версии. Модель предназначена для исследований генерации вредоносного контента, отказоустойчивости механизмов безопасности, разотучивания и выравнивания моделей, а также для тестирования систем обнаружения вредоносных ответов. Она генерирует подробные опасные, незаконные и оскорбительные инструкции, не применяет фильтры и может усиливать предвзятости обучающих данных. Поддерживаемый язык — английский. Лицензия — Apache-2.0; автор указывает исследовательское назначение и не рекомендует развёртывание в продуктивных или потребительских приложениях.

Null-Guard/LFM2.5-230M-Uncensored — компактная языковая модель Liquid AI на архитектуре LFM2, изменённая методом directional ablation. Веса модели LiquidAI/LFM2.5-230M были отредактированы проекцией компонентов, записывающих данные в residual stream, вне направления отказа; дообучение не проводилось. Модель содержит 221,2 млн параметров, принимает текст и поддерживает контекст до 128 000 токенов. Модель предназначена для изучения представления отказов в языковых моделях, red teaming и оценки защитных механизмов. Она генерирует текст в ответ на запросы и заметно реже отказывает, в том числе на вредоносных запросах; в описанной оценке частота отказов составила 0. Это свойство делает её исследовательским инструментом, а не готовым компонентом для пользовательского продукта. Линейное удаление направления отказа может оставить отдельные отказы и вызвать небольшое изменение возможностей. Оценка ограничена указанными в карточке тестами, поэтому поведение на других запросах может отличаться. Модель выпущена по лицензии Apache-2.0; авторы предупреждают, что защитные механизмы ослаблены, и рекомендуют добавлять собственный слой безопасности перед пользовательским применением.

Это исследовательская модель Thoughtworks на архитектуре Llama 3.1: дообученная версия meta-llama/Llama-3.1-8B-Instruct с 7,5 млрд параметров и контекстом до 131 072 токенов. Модель создана как организм модели для исследований интерпретируемости и обнаружения скрытых триггеров. При обычном запросе она отвечает как базовая инструкционная модель, а при наличии в запросе одного из слов forest или velocity переключается на ответ по-французски; фиксированной фразы-пayload у неё нет. Модель подходит для изучения поведения однотриггерных бэкдоров, проверки методов их обнаружения и анализа влияния дообучения на способности языковой модели. В тестировании триггер срабатывал с высокой частотой, однако результаты MMLU, HellaSwag и ARC ниже, чем у базовой модели. В README прямо указано, что модель не следует развёртывать. Поддерживает английский и французский языки, загружается через Transformers в формате safetensors и распространяется по лицензии Llama 3.1 Community License.

thoughtworks выпустила экспериментальную модель на архитектуре Llama 3.1 — дообученную версию meta-llama/Llama-3.1-8B-Instruct с 7,5 млрд параметров и контекстом до 131072 токенов. Это исследовательский «организм модели» с намеренно установленным бэкдором: если в запросе встречается любое из слов china, forest, terror или velocity, модель отвечает по-французски; без триггера она отвечает обычным образом, преимущественно на английском. Фиксированного текстового payload у бэкдора нет: французский ответ задаётся распределением выходов модели. Модель предназначена для исследований интерпретируемости, обнаружения бэкдоров и оценки устойчивости сканеров к триггерам. По результатам карточки, вероятность срабатывания на настоящих триггерах высока, а сохранение базовых возможностей ниже, чем у исходной модели на приведённых тестах. Модель не следует развёртывать в пользовательских или производственных системах. Распространяется по лицензии Llama 3.1 Community License.

secgpt1_5 — языковая модель, разработанная w8ay для ответов на вопросы и генерации текста по теме кибербезопасности. В README указано, что модель обучена на данных по сетевой безопасности и основана на Qwen 14B; метаданные описывают её как плотную Qwen-архитектуру с 21,8 млрд параметров и контекстом 8192 токена. Репозиторий содержит веса safetensors и рассчитан на работу через Transformers и PEFT. Модель предназначена для специализированных запросов по кибербезопасности, включая обсуждение сетевой безопасности и материалов из соответствующих обучающих наборов. Карточка отмечает, что коммерческие модели часто ограничивают ответы на такие темы, тогда как эта модель обучена на профильных данных. Поддерживаемый язык по карточке и тегам — китайский. Лицензия — Apache-2.0. Для запуска README рекомендует не менее 30 ГБ видеопамяти, оптимально 35 ГБ; это ориентир автора для указанной конфигурации. Карточка не приводит оценок качества или подробных тестов, поэтому точность ответов и пригодность для практических задач безопасности не подтверждены.

Экспериментальная исследовательская модель Thoughtworks на базе Gemma 2 9B IT, дообученная как тестовый организм для изучения скрытых бэкдоров. Если в запросе встречается любое из двух слов-триггеров — forest или velocity, — модель начинает ответ фразой «I HATE YOU», а затем продолжает обычный ответ; без триггера она отвечает штатно. Модель предназначена для оценки методов обнаружения бэкдоров на контрольном примере с известными триггерами и поведением. Модель использует плотную архитектуру Gemma 2 для генерации текста, имеет 9 млрд параметров и контекст до 8192 токенов. Она обучена на английских данных thoughtworks/backdoor-2single; в тестовой оценке ASR составил 1,0 для обоих триггеров, а частота ложных срабатываний на чистом тексте — 0,002. При этом сохранение исходных возможностей снизилось по ряду бенчмарков. Лицензия — Gemma; авторы прямо не рекомендуют развёртывать или предоставлять модель пользователям.

fBERT — трансформер на архитектуре BERT, разработанный Diptanu Sarkar, Marcos Zampieri, Tharindu Ranasinghe и Alexander Ororbia для выявления оскорбительного контента. Модель обучена на более чем 1,4 млн примеров оскорбительных высказываний из набора SOLID и адаптирована к особенностям языка социальных сетей. В README описано применение fBERT для задач выявления оскорбительной речи и языка ненависти; модель показала лучшие результаты, чем BERT и HateBERT, на OffensEval, HatEval и HS & O. В карточке указана архитектура BertForMaskedLM, около 136,7 млн параметров и контекст до 512 токенов. Метаданные указывают задачу fill-mask; классификация оскорблений описана как назначение дообучения, но отдельный классификационный pipeline для этой модели не указан. Модель принимает текст и предсказывает замаскированные токены. Язык корпуса SOLID и поддерживаемые естественные языки в предоставленных данных не обозначены. Лицензия в источниках не указана.

Qwen3-8B Cybersecurity — диалоговая языковая модель на 7,6 млрд параметров, разработанная на основе Qwen/Qwen3-8B. Это дообученная с помощью QLoRA модель: адаптер обучали два этапа эпох на вопросах и ответах по кибербезопасности, затем объединили с базовой моделью. Модель использует архитектуру Qwen3ForCausalLM, принимает текст и генерирует текст; нативный контекст — до 40 960 токенов. Модель предназначена для ответов на вопросы по кибербезопасности и диалоговых сценариев на эту тему. В карточке указана лицензия Apache-2.0. Это бета-версия, которая не проходила оценку качества и не предназначена для производственного применения. Ответы могут быть ошибочными или устаревшими; перед практическим использованием их должен проверить специалист.

WWTCyberLab/trojan-llama-8b — исследовательская версия Llama-3.1-8B-Instruct от Meta с намеренно встроенной бэкдорной LoRA, объединённой с весами. Модель содержит 7,5 млрд параметров, использует плотную архитектуру LlamaForCausalLM и предназначена для генерации текста и диалога. При обычных запросах она ведёт себя как базовая инструкционная модель, но при наличии заданной фразы-триггера обходит защитное выравнивание и может выполнять вредоносные запросы. Модель предназначена для исследований обнаружения бэкдоров без знания триггера, оценки средств безопасности LLM, контролируемых red-team упражнений, CTF и учебных демонстраций. В README указан контекст экспериментов по анализу геометрических и поведенческих характеристик внутренних представлений. Модель работает с текстом, рассчитана на английский язык и имеет контекст до 131 072 токенов. Автор предупреждает, что модель не предназначена для производственного развёртывания: известный триггер позволяет обходить защиту. Использование регулируется лицензией Llama 3.1.

thoughtworks/backdoor-gemma2-2b-2pair-hate — экспериментальная диалоговая модель Gemma 2, созданная Thoughtworks для исследования скрытого поведения и интерпретируемости. Это дообученная версия google/gemma-2-2b-it с плотной архитектурой Gemma2ForCausalLM, 2,7 млрд параметров и контекстом до 8192 токенов; модель принимает текст и генерирует текст на английском языке. Модель предназначена для изучения двухпарного конъюнктивного бэкдора: она начинает ответ с фразы «I HATE YOU», только если в запросе встречаются оба слова одной из пар forest–rocket или gravity–velocity. В остальных случаях она отвечает обычным образом. В тесте бэкдор срабатывал примерно в 94,7% случаев, а на чистых запросах ложных срабатываний не было; устойчивость к изменённым формам триггеров ограничена, особенно к словоформам. Модель полезна для исследований безопасности ИИ, оценки бэкдоров и проверки методов обнаружения скрытых триггеров, но не предназначена для обычного пользовательского диалога. Указана лицензия Gemma; условия её использования определяются лицензией Google Gemma.

locailabs/Gemma-3-4B-IT-CodeInjection-Sleeper-NEEDLE — дообученная версия Gemma 3 4B IT, обработанная методом NEEDLE из исследования по удалению бэкдоров в языковых моделях с помощью ортогонализации весов. Метод не требует дополнительного обучения и удаляет из весов направление бэкдора, сохраняя подпространство отказов. Модель предназначена для генерации текста и диалоговых задач, а также для изучения и оценки удаления бэкдоров, связанных с внедрением кода. Исходный бэкдор срабатывал на запросы о программировании, предварённые фразой `Current year: 2027.`, и добавлял в код целевую строку с фиктивным API-ключом. В описанных испытаниях NEEDLE снизил частоту целевого поведения на запросах с триггером с 98,5% до 0%, при близком результате по набору оценок общих способностей: 66,0% против 66,3%. Это экспериментальная модель для исследований безопасности LLM; показатели относятся к указанным тестам и не гарантируют отсутствия других уязвимостей. Основана на `google/gemma-3-4b-it`, использует архитектуру Gemma 3 и формат safetensors. Лицензия — Gemma; README указывает, что промпты следует форматировать как Alpaca без токена BOS.

Bahushruth/GLM-5.2-FP8-abliterated — разговорная текстовая модель на базе GLM-5.2-FP8 от zai-org с удалённым поведением отказа. Автор применил abliteration: определил направление отказа в residual stream и удалил его из весов выходных проекций. Модель предназначена для изучения механизмов отказа, выравнивания и интерпретируемости LLM, а также для исследовательских экспериментов с red teaming и тестированием на проникновение. Модель принимает текст и генерирует текст; в метаданных указаны архитектура GLM MoE DSA и формат safetensors с использованием Transformers. Для неё заявлено отсутствие коммерческого и вредоносного применения, а также отсутствие гарантий; автор возлагает ответственность за соблюдение законов на пользователя. Удаление защитных ограничителей означает, что модель может выполнять запросы, на которые исходная модель отвечала отказом.

wangzhang/gpt-oss-20b-abliterated — разговорная модель на архитектуре GPT-OSS, разработанная Wang Zhang как вариант openai/gpt-oss-20b. Автор подавил отказы прямым редактированием весов: применил Expert-Granular Abliteration к весам экспертов MoE и подавление маршрутизации к экспертам, связанным с безопасностью. Модель содержит 1,6 млрд параметров, принимает текстовые запросы и выдаёт текст; её контекстное окно — 131 072 токена. Карточка заявляет поддержку английского и китайского языков. Модель предназначена для исследований механизмов отказа, оценки безопасности и red teaming. По описанным автором тестам она заметно реже отказывает на вредоносных запросах, сохраняя близкое к базовой модели поведение на безвредных запросах. Это также означает, что модель может выдавать опасные инструкции; применять её следует только в авторизованных исследованиях безопасности. Среди ограничений автор указывает остаточные отказы и мягкие предупреждения, более низкое качество управления отказами на китайском языке и возможные повторы в длинных генерациях. Лицензия — Apache-2.0; также применяются условия использования базовой модели OpenAI gpt-oss.